基于介電特性的稻田水體稻瘟靈監(jiān)測(cè)裝置研制與試驗(yàn)研究

鐘 聲，劉木華，袁海超，趙進(jìn)輝*

（1.江西農(nóng)業(yè)大學(xué) 工學(xué)院，江西 南昌 330045；2.江西省現(xiàn)代農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045）

【研究意義】水稻是我國(guó)重要的糧食作物，在我國(guó)約有60%的人口以水稻為食。由于稻田環(huán)境溫?zé)?、?yáng)光充足，病蟲(chóng)災(zāi)害也尤為明顯，其中典型的有稻瘟病[1]。稻瘟病又稱(chēng)稻熱病，是世界上水稻生產(chǎn)的主要病害，其防治主要采用稻瘟靈殺菌劑[2]。稻瘟靈又叫異丙硫環(huán)，是一種高效內(nèi)吸殺菌劑，是防治水稻稻瘟病的特效藥劑，同時(shí)對(duì)水稻紋桔病和白葉標(biāo)桔病有一定的防效，屬于高效、低毒、低殘留的有機(jī)殺菌劑[3]。其持效期長(zhǎng)，廣泛用于谷物保護(hù)劑。由于我國(guó)水稻種植范圍大，目前許多地方都在使用稻瘟靈作為殺菌劑[4]。稻瘟靈的大量施用，有可能污染周?chē)h(huán)境，未被利用的農(nóng)藥會(huì)在水體與土壤中富集[5]。隨著水資源的循環(huán)，稻田水體最終會(huì)流入江河湖泊，污染破壞環(huán)境水資源，同時(shí)危害水生動(dòng)物與威脅人們的飲用水安全[6-7]?！厩叭搜芯窟M(jìn)展】目前檢測(cè)稻瘟靈主要采用氣相色譜法和高效液相色譜法[8-10]。根據(jù)這些方法，國(guó)內(nèi)外也開(kāi)展了許多的相關(guān)研究，這兩種方法具有檢測(cè)準(zhǔn)確度高、檢測(cè)濃度限低等優(yōu)點(diǎn)。但是檢測(cè)過(guò)程復(fù)雜且設(shè)備成本高，難以推廣普及且難實(shí)現(xiàn)快速檢測(cè)和物聯(lián)網(wǎng)在線檢測(cè)等要求。

【本研究切入點(diǎn)】而有相關(guān)電學(xué)方法如介電特性法，介電特性檢測(cè)法（dielectric spectroscopy）是一種利用物質(zhì)的介電特性來(lái)檢測(cè)其性質(zhì)和成分的方法，具有簡(jiǎn)單、快捷等優(yōu)點(diǎn)[11-13]。其主要原理是：水中不同的污染物對(duì)其介電常數(shù)有著一定的影響，導(dǎo)致最后的水體導(dǎo)電特性和電容特性都有著區(qū)別，其中稻瘟靈也不例外。在檢測(cè)水體中的農(nóng)藥時(shí)，可以將水樣中的農(nóng)藥分子看作是介電常數(shù)和介電損耗與水分子不同的微小介質(zhì)體。當(dāng)交變電場(chǎng)作用于水樣時(shí)，水中的農(nóng)藥分子會(huì)受到電場(chǎng)的作用而發(fā)生極化，其介電常數(shù)和介電損耗也會(huì)發(fā)生變化。通過(guò)測(cè)量水樣在不同頻率下的介電常數(shù)和介電損耗，可以得到水樣中農(nóng)藥分子的特征參數(shù)，如極化強(qiáng)度、旋轉(zhuǎn)速率等，進(jìn)而推斷水樣中農(nóng)藥的種類(lèi)和濃度。介電特性檢測(cè)法具有非侵入性、非破壞性、快速準(zhǔn)確等優(yōu)點(diǎn)，適用于檢測(cè)水體中低濃度的農(nóng)藥殘留，是一種較為常用的檢測(cè)方法。【擬解決的關(guān)鍵問(wèn)題】綜上所述，基于稻瘟靈濃度會(huì)對(duì)稻田水體介電特性產(chǎn)生影響，通過(guò)建立稻田水體稻瘟靈濃度的頻率特性模型，本研究探索一種稻田水體中稻瘟靈含量的快速檢測(cè)方法。結(jié)合該方法開(kāi)發(fā)一種可全天候工作、能快速準(zhǔn)確的監(jiān)測(cè)稻田水體中稻瘟靈含量的裝置，并對(duì)該裝置的性能進(jìn)行了試驗(yàn)驗(yàn)證。為水體稻瘟靈濃度情況監(jiān)測(cè)提供方案，同時(shí)為實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)、科學(xué)農(nóng)業(yè)具有現(xiàn)實(shí)研究意義。

1 裝置設(shè)計(jì)

1.1 電路硬件設(shè)計(jì)

本監(jiān)測(cè)裝置電路硬件分為信號(hào)部分和電源部分。信號(hào)部分主要由STM32 主控模塊、激勵(lì)信號(hào)源模塊、檢測(cè)與信號(hào)采集模塊、輸入輸出模塊，主控模塊負(fù)責(zé)整體的數(shù)據(jù)處理與信號(hào)控制，激勵(lì)信號(hào)源產(chǎn)生特征頻率的掃頻激勵(lì)信號(hào)，檢測(cè)與信號(hào)采集模塊主要負(fù)責(zé)頻率特性的采集與轉(zhuǎn)換，輸入輸出模塊負(fù)責(zé)程序下載與檢測(cè)結(jié)果顯示；電源部分由升降壓穩(wěn)壓模塊和鋰電池充電模塊組成。裝置整體結(jié)構(gòu)框如圖1所示。

圖1 裝置整體結(jié)構(gòu)框Fig.1 Overall structure block diagram of the device

1.1.1 STM32 主控模塊 本裝置采用ARM Cortex-M4 內(nèi)核的32 位STM32F405RG 單片機(jī)作為核心控制器。該芯片具有1 MB Flash、168 MHz CPU運(yùn)行頻率和ART加速器，同時(shí)具有動(dòng)態(tài)功耗調(diào)整功能，能實(shí)現(xiàn)超低功耗的不間斷運(yùn)行。

STM32 外設(shè)接口情況如圖2 所示。外部高速時(shí)鐘采用8 MHz 的石英晶振，片上USART 通信速度可達(dá)10.5 Mb∕s，通過(guò)板載CH340E 連接至PA9、PA10 的串口1 實(shí)現(xiàn)通過(guò)USB 接口與計(jì)算機(jī)數(shù)據(jù)交互；片上SPI接口速度可達(dá)42 Mb∕s，外接LCD顯示屏連接至PA4-PA7引腳的SPI1接口上。

圖2 STM32主控模塊Fig.2 STM32 main control module

1.1.2 激勵(lì)信號(hào)源模塊 激勵(lì)信號(hào)源模塊由直接數(shù)字頻率合成器（direct digital frequency synthesis，DDS）和低通濾波器組成。DDS芯片采用ADI公司的AD9859，該芯片內(nèi)部集成10位DAC，最高轉(zhuǎn)換頻率400 MHz，因此在200～120 MHz 信號(hào)內(nèi)能保證優(yōu)秀的信號(hào)穩(wěn)定性，同時(shí)具有32 位可編程頻率調(diào)諧字（FTW），能精準(zhǔn)控制輸出信號(hào)頻率。

輸出信號(hào)頻率由系統(tǒng)頻率（fs）與頻率調(diào)諧字（FTW）決定，系統(tǒng)頻率（fs）由連接在芯片引腳9 上的25 MHz 外部有源晶振（fosc）提供，配合芯片內(nèi)部鎖相環(huán)（PLL）控制寄存器CFR2<7∶3>編程設(shè)置16 倍頻，實(shí)現(xiàn)最大400 MHz 系統(tǒng)頻率（fs）。輸出頻率（fout）與頻率調(diào)諧字（FTW）、鎖相環(huán)（PLL）間的計(jì)算公式如下[14-15]。

AD9859外圍電路如圖3所示，芯片采用1.8 V電壓供電。芯片采用外部晶振輸入源工作方式，9號(hào)引腳外接25 MHz 有源晶振，通過(guò)四線SPI 協(xié)議與STM32 主控通信實(shí)現(xiàn)掃頻控制，輸出信號(hào)通過(guò)21 號(hào)OUT引腳輸出。

圖3 AD9859外圍電路Fig.3 AD9859 peripheral circuit

由于DDS芯片的工作原理本質(zhì)上是D∕A 轉(zhuǎn)換，因此輸出信號(hào)除基波外，同時(shí)附帶有二次三次等高次諧波與一定程度的雜散信號(hào)，輸出信號(hào)會(huì)呈現(xiàn)信號(hào)疊加的階梯狀，這會(huì)對(duì)激勵(lì)信號(hào)質(zhì)量造成較大影響，需要添加低通濾波器以實(shí)現(xiàn)平滑的正弦激勵(lì)信號(hào)。

通過(guò)ADI 公司ADIsimDDS 軟件對(duì)信號(hào)進(jìn)行分析，結(jié)果如圖4 所示。左圖為DDS 芯片直接輸出70 MHz正弦波的信號(hào)頻譜圖，由于D∕A轉(zhuǎn)換的疊加高次諧波影響，可知信號(hào)質(zhì)量較差。而將輸出信號(hào)經(jīng)過(guò)低通濾波器后的信號(hào)頻譜圖為右圖所示，可知施加低通濾波器后輸出信號(hào)明顯改善，可實(shí)現(xiàn)平滑的正弦輸出信號(hào)。

圖4 施加低通濾波器前后信號(hào)變化Fig.4 Signal change before and after applying low-pass filter

1.1.3 檢測(cè)與信號(hào)采集模塊 模塊整體電路如圖5所示，檢測(cè)電路與幅度和相位測(cè)量芯片構(gòu)成了裝置的檢測(cè)模塊。檢測(cè)電路由精密可調(diào)電阻充當(dāng)參考電阻，AD9859 信號(hào)輸入端的電容用來(lái)消除低頻直流干擾，傳感器探頭通過(guò)RF 射頻同軸線連接至檢測(cè)電路端的SMA 接頭，整體信號(hào)部分采用50 ohm 系統(tǒng)。幅度和相位測(cè)量芯片采用ADI 公司的AD8302 芯片，該芯片具有雙通道解調(diào)對(duì)數(shù)放大器和鑒相器，每個(gè)放大器具有60 dB測(cè)量范圍，在50 ohm 系統(tǒng)中，交流耦合輸入信號(hào)范圍為-60～0 dBm，具有精確的增益測(cè)量調(diào)整（30 mV∕dB）和相位測(cè)量調(diào)整（10 mV∕度）[16]。該芯片能實(shí)現(xiàn)對(duì)INPA 與INPB 兩處引腳的輸入信號(hào)求幅值比與相位差，通過(guò)VPHS與VMAG 端口輸出兩路0～1.8 v的模擬信號(hào)，為兩路輸入信號(hào)的相位差與幅值比。將兩路信號(hào)輸入STM32主控的ADC引腳，即可實(shí)現(xiàn)信號(hào)采集。

圖5 檢測(cè)與信號(hào)采集模塊Fig.5 Detection and signal acquisition module

1.1.4 輸入輸出模塊 本裝置包含程序調(diào)試的多個(gè)按鍵、數(shù)據(jù)通信相關(guān)的輸出模塊與實(shí)時(shí)顯示的LCD屏幕。裝置為全天候監(jiān)測(cè)，其中按鍵僅用于設(shè)備的系統(tǒng)重置與開(kāi)關(guān)機(jī)功能。數(shù)據(jù)通信輸出模塊包括串口-USB 模塊與LoRa 無(wú)線模塊[17-19]，如圖6 所示，串口-USB 模塊由12 腳的Type-C 口與CH340E 芯片組成，連接至STM32主控的串口1上，能快速穩(wěn)定的將檢測(cè)數(shù)據(jù)輸出至上位機(jī)，同時(shí)還能程序下載；LoRa無(wú)線模塊型號(hào)為E22-400T22S，以SX1262 為射頻芯片，連接至STM32 主控的串口1 上，配合高功率天線可實(shí)現(xiàn)最大10 km 的遠(yuǎn)距離無(wú)線數(shù)據(jù)傳輸。LCD 屏幕采用一塊2.8 寸240×320 分辨率的TFT 液晶屏，通過(guò)SPI協(xié)議驅(qū)動(dòng)。

圖6 串口-USB輸出模塊Fig.6 Serial port-USB output module

1.1.5 升降壓穩(wěn)壓模塊 在本裝置中，需要+1.8 V、+3.3 V、+5 V 直流電壓供電，而設(shè)備電源儲(chǔ)備為3 節(jié)18650鋰電池并聯(lián)，電池電壓為4.2 V，因此需要設(shè)計(jì)升降壓模塊來(lái)實(shí)現(xiàn)裝置的電壓管理。

如圖7所示。本裝置采用PW5100型號(hào)的DC-DC同步升壓轉(zhuǎn)換器芯片將鋰電池升壓至+5 V，該芯片最大效率可達(dá)95%，±10 mV 的低紋波性能。隨后經(jīng)過(guò)AMS1117CD-3.3 將+5 V 降壓即可得到+3.3 V，最后再經(jīng)過(guò)AMS1117CD-1.8 將+3.3 V 降壓即可得到+1.8 V，該系列芯片為低壓差線性穩(wěn)壓芯片，具有輸出紋波低、電壓穩(wěn)定等優(yōu)點(diǎn)，廣泛應(yīng)用于各類(lèi)儀器設(shè)備。

圖7 升壓降壓模塊Fig.7 Step-up and step-down module

1.1.6 鋰電池充電模塊 鋰電池充電模塊由充電管理電路和太陽(yáng)能穩(wěn)壓電路兩部分組成。充電管理電路輸入端為T(mén)ype-C 端口或太陽(yáng)能穩(wěn)壓電路的輸出端，可以通過(guò)連接USB 接口以有線的方式或是太陽(yáng)能為設(shè)備鋰電池充電。充電管理電路如圖8所示，其中充電管理芯片采用TP5100開(kāi)關(guān)降壓型雙節(jié)8.4 V∕單節(jié)4.2 V 鋰電池充電管理芯片，本裝置采用單節(jié)4.2 V 模式，最大充電電流可達(dá)2 A，采用QFN16 小尺寸封裝，非常適用于小型儀器使用。太陽(yáng)能穩(wěn)壓電路如圖9 所示，其中穩(wěn)壓芯片采用MP2315 高效率同步整流降壓開(kāi)關(guān)變換器，該芯片具有4.5～24 V的寬工作電壓輸入和極低的靜態(tài)電流，適合全天候工作的太陽(yáng)能供能的儀器設(shè)備。

圖8 充電管理電路Fig.8 Charging management circuit

1.2 裝置結(jié)構(gòu)設(shè)計(jì)

裝置結(jié)構(gòu)如圖10 所示。主要由太陽(yáng)能面板、主控電路盒、支撐部件和檢測(cè)探頭盒4 個(gè)部分組成。太陽(yáng)能面板尺寸為230 mm×350 mm，最大功率10 W，呈45°角安裝于不銹鋼支撐桿頂端；主控電路盒外殼采用ABS 材質(zhì)電器防水盒，尺寸為200 mm×120 mm×55 mm，安裝于不銹鋼支撐桿上端，內(nèi)部安裝PCB 電路板與18650 鋰電池，側(cè)面安裝LCD 顯示屏，下部有Type-C 接口、裝置電源開(kāi)關(guān)和進(jìn)線防水接線頭；支撐部件由不銹鋼支撐桿于三腳支撐架兩部分組成，保證設(shè)備穩(wěn)定部署；檢測(cè)探頭盒外殼采用光敏樹(shù)脂3D 打印制作，尺寸為100 mm×100 mm×100 mm，安裝于不銹鋼支撐桿底端，內(nèi)部安裝介電監(jiān)測(cè)探頭與溫度傳感器，外殼四面設(shè)置有濾棉，過(guò)濾泥沙與浮萍等雜質(zhì)。

圖10 裝置整體結(jié)構(gòu)設(shè)計(jì)Fig.10 Overall structure design of the device

2 系統(tǒng)軟件設(shè)計(jì)

以MDK 5.0為開(kāi)發(fā)環(huán)境，采用C語(yǔ)言開(kāi)發(fā)設(shè)計(jì)。程序主要初始化程序、AD9859 掃頻程序、數(shù)據(jù)采集程序、LibSVM 程序、串口發(fā)送程序、LoRa 配置程序和LCD 顯示程序組成。初始化程序用于設(shè)置STM32各外設(shè)及所使用到的GPIO 口的初始化配置；AD9859 掃頻程序主要是STM32通過(guò)SPI協(xié)議發(fā)送頻率調(diào)諧字（FTW）給AD9859芯片，控制AD9859 輸出產(chǎn)生特定特征頻率的正弦波；數(shù)據(jù)采集程序是通過(guò)ADC 采集AD8302 輸出的幅值比和相位差的模擬電壓值；LibSVM 程序主要是將采集到的數(shù)據(jù)代入訓(xùn)練好的支持向量機(jī)回歸模型中，調(diào)用LibSVM 算法對(duì)含量進(jìn)行預(yù)測(cè)；串口發(fā)送程序用于將數(shù)據(jù)發(fā)送至上位機(jī)和LoRa無(wú)線通信模塊；LoRa配置程序用于配置LoRa 模塊的工作模式，配置工作信道、發(fā)送功率和相關(guān)組網(wǎng)信息；LCD 顯示程序可以將溫度、預(yù)測(cè)結(jié)果實(shí)時(shí)顯示在LCD顯示屏上。程序總體流程如圖11所示。

圖11 程序運(yùn)行流程Fig.11 Flow chart of program operation

3 材料與方法

3.1 試驗(yàn)材料

試驗(yàn)所用的稻田水樣本采集于江西農(nóng)業(yè)大學(xué)試驗(yàn)田。采集日期為七月下旬，采集晚稻田區(qū)處于插秧時(shí)期的農(nóng)田灌溉水，使用液泵抽取采集3 個(gè)田區(qū)水體樣本，運(yùn)回后放置實(shí)驗(yàn)室1 d，沉淀其中較大泥沙與浮萍等雜質(zhì)[20]。試驗(yàn)前，對(duì)采集水體使用傳感器探頭過(guò)濾裝置過(guò)濾1遍，得到空白稻田水樣本。

3.2 研究方法

3.2.1 材料的制備 為了確保傳感器探頭能完全浸沒(méi)被測(cè)液體中，選取容量合適的樣本測(cè)量容器，確定樣本總量為700 mL以上。首先配制高濃度的稻瘟靈原液，其濃度確定為800 mg∕L，再逐步添加原液得到0～44 mg∕L的23個(gè)低濃度稻瘟靈溶液樣本。

為保證基底水樣一致性，試驗(yàn)采取逐步添加原液配備各濃度檢測(cè)樣本。首先取700 mL 過(guò)濾后的稻田水加入檢測(cè)容器內(nèi)，由于采集水體為插秧時(shí)期的農(nóng)田灌溉水，而本設(shè)備檢測(cè)作用主要用于科學(xué)控制施藥量與稻瘟靈實(shí)時(shí)監(jiān)測(cè)，因此將初始稻田水視為未含有稻瘟靈的空白樣本，待上一濃度檢測(cè)完成后對(duì)其添加適量原液配制為下一檢測(cè)樣本濃度，以此類(lèi)推完成所有濃度樣本配制。

3.2.2 輸出信號(hào)的采集 將樣本測(cè)量容器放入恒溫水浴槽內(nèi)，設(shè)定溫度25 ℃，樣本試驗(yàn)期間保持恒溫狀態(tài)。將檢測(cè)探頭沒(méi)入被測(cè)液體中，待LCD 屏幕上顯示溫度達(dá)到設(shè)定溫度后，按下“開(kāi)始檢測(cè)”按鍵，設(shè)備將采集200～120 MHz間的607個(gè)采樣頻率點(diǎn)下參考電阻兩端電壓信號(hào)間的幅值比與相位差信息，通過(guò)串口實(shí)時(shí)發(fā)送至上位機(jī)PC端。

對(duì)于每個(gè)濃度的檢測(cè)樣本，檢測(cè)數(shù)據(jù)有AD8302 芯片輸出的兩種原始電壓信號(hào)與轉(zhuǎn)換后的幅值比、相位差信號(hào)，每個(gè)樣本有4種共2 428個(gè)檢測(cè)數(shù)據(jù)。為了消除檢測(cè)過(guò)程中存在的噪聲與采樣誤差，原始數(shù)據(jù)AD 轉(zhuǎn)換時(shí)采集連續(xù)的24 個(gè)數(shù)據(jù)，采用冒泡排序法剔除4 個(gè)最大、最小值，對(duì)剩余20 個(gè)數(shù)據(jù)求平均值最后作為發(fā)送的1個(gè)數(shù)據(jù)。同時(shí)采用5組平行樣本進(jìn)行試驗(yàn)，總體試驗(yàn)包含115份樣本數(shù)據(jù)。

4 預(yù)測(cè)模型建立

4.1 原始數(shù)據(jù)劃分

根據(jù)濃度將原始數(shù)據(jù)2∶1 劃分為訓(xùn)練集與預(yù)測(cè)集，首先人工保證最小濃度與最大濃度樣本為訓(xùn)練集，然后采用隨機(jī)數(shù)生成器隨機(jī)選取14 組濃度為訓(xùn)練集，剩余濃度為預(yù)測(cè)集，訓(xùn)練集總計(jì)包括16 組濃度，80份樣本數(shù)據(jù)，預(yù)測(cè)集包含7組濃度35份樣本數(shù)據(jù)。

4.2 CARS特征提取

由于原始數(shù)據(jù)量大，主控芯片算力較低，直接采用原始數(shù)據(jù)進(jìn)行預(yù)測(cè)耗時(shí)較長(zhǎng)，實(shí)時(shí)性較差。因此在對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練建模前，對(duì)PC 端接收到的原始數(shù)據(jù)采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法（competitive adaptive reweighted sampling，CARS）進(jìn)行特征數(shù)據(jù)的提取，對(duì)原始數(shù)據(jù)進(jìn)行篩選，得到若干特征頻率點(diǎn)的特征數(shù)據(jù)[21-23]。圖12 為對(duì)幅值比數(shù)據(jù)的CARS 特征提取結(jié)果，圖中從上到下依次為提取的頻率個(gè)數(shù)、交叉驗(yàn)證均方根（RMSEV）、回歸系數(shù)變化情況與交叉檢驗(yàn)（Cross validation）運(yùn)行次數(shù)之間的關(guān)系。其中提取的頻率個(gè)數(shù)隨著運(yùn)行次數(shù)增加而減少，表示經(jīng)過(guò)CARS 優(yōu)選后實(shí)現(xiàn)了數(shù)據(jù)優(yōu)選，同時(shí)頻率個(gè)數(shù)遞減速度逐漸變慢，表示特征頻率點(diǎn)數(shù)趨于穩(wěn)定；交叉驗(yàn)證均方根（RMSEV）在頻率點(diǎn)較少后逐漸產(chǎn)生較大波動(dòng)，在30次與43次運(yùn)行都出現(xiàn)較大轉(zhuǎn)折，原因?yàn)椴糠株P(guān)鍵頻率信息被剔除；回歸系數(shù)變化情況可以看出在20 次運(yùn)行前，各變量的回歸系數(shù)隨著交叉驗(yàn)證次數(shù)變化無(wú)明顯變化。將幅值比數(shù)據(jù)經(jīng)過(guò)CARS 特征提取后，特征頻率點(diǎn)由607個(gè)減少至72個(gè)，極大的簡(jiǎn)化了模型，提高了運(yùn)算速度。

圖12 幅值比CARS特征提取結(jié)果Fig.12 Amplitude ratio CARS feature extraction result

對(duì)其余3種數(shù)據(jù)也進(jìn)行CARS特征提取后，分別得到各數(shù)據(jù)類(lèi)型的特征頻率，表1為4種原始數(shù)據(jù)的CARS特征提取頻率數(shù)。

表1 幅值比與相位差CARS特征提取結(jié)果Tab.1 Amplitude ratio and phase difference CARS feature extraction results

4.3 SVR模型建立

隨后將訓(xùn)練集部分80 份的4 種特征數(shù)據(jù)作為輸入，以配置的樣本濃度作為輸出，采用支持向量回歸（support vector regression，SVR）對(duì)以上4 種特征數(shù)據(jù)分別建立濃度預(yù)測(cè)模型。支持向量機(jī)采用的由臺(tái)灣大學(xué)林智仁（Lin Chih-Jen）教授等開(kāi)發(fā)設(shè)計(jì)的LibSVM 軟件包，采用C 程序源碼進(jìn)行模型訓(xùn)練[24-25]。

通過(guò)結(jié)合The Unscrambler X 10.4 軟件提供的SVR 參數(shù)優(yōu)化，采用nu-SVR 回歸類(lèi)型，RBF 核函數(shù)對(duì)特征數(shù)據(jù)建立預(yù)測(cè)模型。在PC 端將稻田水提稻瘟靈濃度預(yù)測(cè)的SVR 模型建立好后，將其存入STM32程序源碼中，同時(shí)將LibSVM 函數(shù)包移植到STM32 嵌入式端，即可實(shí)現(xiàn)嵌入式端獨(dú)立調(diào)用LibSVM 模型預(yù)測(cè)。

5 儀器性能測(cè)試

在預(yù)測(cè)模型建立好后，將其寫(xiě)入程序固件中，同時(shí)修改設(shè)備固件的掃頻程序，將建模階段的200～120 MHz頻率范圍改為CARS提取后的特定特征頻率點(diǎn)信號(hào)輸出。在采集完一組特征頻率信息后，即可調(diào)用內(nèi)嵌的LibSVM 軟件包進(jìn)行回歸預(yù)測(cè)，并將結(jié)果通過(guò)USB 接口或是LoRa無(wú)線模塊發(fā)送至上位機(jī)，同時(shí)顯示在LCD屏幕上。

為了驗(yàn)證稻田水體稻瘟靈含量實(shí)時(shí)監(jiān)測(cè)裝置的測(cè)量準(zhǔn)確性，將寫(xiě)入預(yù)測(cè)模型后的設(shè)備放入配置好的預(yù)測(cè)集樣本中，與樣本真實(shí)濃度進(jìn)行對(duì)比。其中調(diào)用幅值比模型的實(shí)際測(cè)量結(jié)果與真實(shí)值的擬合曲線如圖13所示。圖中可知，測(cè)量結(jié)果擬合函數(shù)與45°線幾乎重合，可見(jiàn)本裝置對(duì)于稻田水體稻瘟靈含量具有較高檢測(cè)精度。

圖13 監(jiān)測(cè)裝置檢測(cè)值與真實(shí)值對(duì)比（幅值比模型）Fig.13 Comparison between the measured value and the true value of the monitoring device（amplitude ratio model）

在對(duì)兩種原始電壓信號(hào)與轉(zhuǎn)換后的幅值比、相位差4種數(shù)據(jù)建立單獨(dú)預(yù)測(cè)模型，預(yù)測(cè)結(jié)果見(jiàn)表2。實(shí)際檢測(cè)中，在單獨(dú)調(diào)用4種模型預(yù)測(cè)時(shí)，每種數(shù)據(jù)的預(yù)測(cè)模型R2都在0.96 以上，同時(shí)由于已經(jīng)提取特征頻率，實(shí)際檢測(cè)僅需檢測(cè)特征頻率點(diǎn)處的頻率特性，單次檢測(cè)僅需30 min，極大的縮減了檢測(cè)時(shí)間，同時(shí)檢測(cè)結(jié)果具有較高的精度。

表2 4種數(shù)據(jù)模型的單獨(dú)預(yù)測(cè)結(jié)果Tab.2 Individual prediction results of four data models

6 結(jié)論

（1）根據(jù)稻田水體與稻瘟靈的介電特性頻率差異，開(kāi)發(fā)了基于介電特性的稻田水體稻瘟靈含量實(shí)時(shí)監(jiān)測(cè)裝置，該裝置能快速準(zhǔn)確的測(cè)量稻田水體中稻瘟靈的濃度，并將其通過(guò)LoRa模塊上傳至上位機(jī)，實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)在線監(jiān)測(cè)。

（2）通過(guò)對(duì)各種濃度下稻瘟靈稻田水體的頻率響應(yīng)測(cè)量試驗(yàn)，采用CARS 對(duì)頻率特征提取極大地減少了數(shù)據(jù)的運(yùn)算量，提高了檢測(cè)速度，同時(shí)得到了對(duì)稻瘟靈在幅值比與相位差數(shù)據(jù)的特征頻率。

（3）對(duì)0～44 mg∕L 內(nèi)的稻瘟靈稻田水體進(jìn)行了多次試驗(yàn)，對(duì)幅值比、相位差與其原始電壓信號(hào)4 種數(shù)據(jù)分別建立了SVR 回歸預(yù)測(cè)模型，試驗(yàn)驗(yàn)證模型判定系數(shù)R2高達(dá)0.995 9，每種數(shù)據(jù)的預(yù)測(cè)模型R2都在0.96以上；同時(shí)測(cè)量速度極高，為研究水體稻瘟靈含量實(shí)時(shí)監(jiān)測(cè)奠定基礎(chǔ)。